一种有前途的基于人工智能的超分辨率图像重建技术，用于皮肤癌的早期诊断

　　

基于人工智能的皮肤癌早期诊断超分辨率图像重建技术研究解读

在皮肤癌防治领域，早期精准诊断是提高治愈率、降低死亡率的关键。SASTRA 大学计算学院的研究人员 Nirmala Veeramani 和 Premaladha Jayaraman 在《Scientific Reports》期刊上发表了 “A promising AI based super OPEN resolution image reconstruction technique for early diagnosis of skin cancer” 一文。该研究提出基于人工智能的黑色素瘤信息改进生成对抗网络（MELIIGAN）框架，用于皮肤病变图像的超分辨率重建，在皮肤癌早期诊断方面意义重大，有望推动医疗影像分析技术革新，提高临床诊断准确性。

一、研究背景

皮肤癌是一种常见且危害较大的疾病，任何年龄段暴露于紫外线辐射的人群都可能患病，其中黑色素瘤尤为严重，若未能早期发现和治疗，可能危及生命。早期恶性病变可治愈，临床医生常依据病变的不对称性、边界、颜色和直径（ABCD 特征）判断，但这些特征肉眼难以察觉，需借助图像处理技术。然而，部分可疑病变特征不明显，被称为中间皮肤病变，容易被忽视并发展为严重的黑色素瘤，是当前研究的重点。

目前，基于计算机辅助的方法在皮肤癌检测中发挥重要作用，图像重建是医学图像分析的关键环节。但现有研究存在诸多问题，如经验不足的皮肤科医生诊断准确性低，即使专家诊断准确率也仅在 75%-84% 之间，区分良恶性病变困难，中间病变的诊断更是难题。同时，传统图像重建技术在处理医学图像时，难以在大幅放大的同时获取精细纹理。因此，开发更有效的图像重建技术以提取中间皮肤病变的高频特征指标，实现黑色素瘤的快速诊断迫在眉睫。

二、研究材料与方法

（一）研究材料

研究使用国际皮肤成像协作组织（ISIC）2020 挑战数据集、PH2 和 med node 数据集。这些数据集包含不同类型的皮肤病变图像，为模型训练和评估提供了丰富样本。训练集选取 1350 个样本，测试集 100 个样本，验证集 100 个图像，且样本标签来源于 Kaggle 上的基准数据集。

（二）关键技术路线

1. 基于 GAN 的改进模型：提出基于 SRGAN 的 MELIIGAN 重建技术，结合注意力块机制、改进的深度超分辨率（IDSR）网络和混合损失函数优化对抗网络。通过这种方式增强模型对中间皮肤病变高频边缘细节信息的提取能力，同时确保训练稳定性，提高生成图像质量。
2. 设计残差注意力块：在深度卷积神经网络（CNN）的残差模块中添加通道和空间注意力块。去除批量归一化（BN）层，避免图像细节模糊。通过计算通道注意力值和空间注意力值，分别增强对图像通道信息和空间信息的关注，突出病变区域细节，提升模型对中间皮肤病变特征的提取能力。
3. 构建混合损失函数：结合感知损失、内容损失、Charbonnier 损失函数和总变差（TV）损失构建混合损失函数。Charbonnier 损失函数替代均方误差（MSE）损失函数，减少图像生成中的噪声和伪影；TV 损失用于进一步降噪，提高模型对黑色素瘤图像分类的准确性，优化模型训练效果。
4. 调整归一化模块：摒弃 BN 层，采用 PReLU 激活函数替代 ReLU 函数。避免 BN 层在训练中对图像颜色分布的归一化处理影响医学图像的对比信息，使特征提取更有效，减少训练时间，提升模型性能。

三、研究结果

（一）定量评估

研究采用峰值信噪比（PSNR）和结构相似性指数（SSIM）评估超分辨率重建效果。与 SRGAN、ESRGAN、ESPCN 和 Bicubic 等经典方法相比，MELIIGAN 表现卓越。在 ISIC2020 数据集上，PSNR 达到 40.12dB，比之前的方法提高了 11.58dB；SSIM 达到 0.9465，提升了 0.132。在 PH2 和 Mednode 数据集上也取得优异成绩，表明该模型能有效学习低分辨率和高分辨率图像之间的映射关系，准确区分癌前病变和良性病变。

（二）定性评估

通过灰度变换预处理图像，突出重要特征。对比不同方法重建的皮肤病变图像发现，ESPCN 方法虽比双三次插值法效果好，但高频细节不足；ESRGAN 图像质量较好，但与参考图像仍有差异；SRGAN 重建图像存在伪影、模糊和锯齿边缘。而 MELIIGAN 生成的图像在细节纹理上与参考图像更相似，亮度和对比度质量更优。

（三）消融研究

对皮肤病变图像进行消融研究，分别改变特征提取模块、添加 BN 层和去除混合损失函数进行实验。结果显示，单尺度特征提取使 PSNR 和 SSIM 大幅下降；添加 BN 层也导致指标降低；去除混合损失函数后，指标随机下降。表明完整的 MELIIGAN 模块，包括多尺度特征提取、合理的网络结构和有效的损失函数，对生成高质量图像和准确诊断至关重要。

四、研究结论与讨论

（一）研究结论

MELIIGAN 技术通过构建残差块、设计注意力映射函数和采用混合损失函数，有效提高了皮肤病变图像的分辨率和高频特征提取能力，在恶性病变图像的高频特征中生成丰富、更清晰的纹理，显著改善了超分辨率重建效果。该技术能帮助医生更准确地观察病变细节，如色素、纹理和细微图案，为早期诊断黑色素瘤提供重要依据。

（二）研究意义

1. 提高诊断准确性：MELIIGAN 提升了图像分类和特征检测精度，能更准确区分良恶性病变和中间病变，减少误诊和漏诊，为临床治疗争取时间，提高患者生存率。
2. 辅助临床决策：为医生提供更详细的病变信息，帮助判断疾病严重程度和病变转移可能性，制定更个性化、有效的治疗方案。
3. 推动医学影像技术发展：其成功应用为医学影像分析领域提供新思路和方法，促进相关技术的进一步研究和发展，如多模态图像融合技术，有望提高对复杂病变的诊断能力。

（三）研究局限性

MELIIGAN 在处理含毛发的图像时存在问题，毛发和墨水斑块的遮挡会影响特征提取，导致难以准确识别高频特征，降低高分辨率图像生成质量。此外，研究使用的是从基准数据集中挑选的图像，排除了毛发过多的图像，限制了模型在复杂真实场景中的应用。

（四）未来展望

未来研究将聚焦于寻找黑色素瘤早期检测的新生物指标，从病变结构层面深入探索，提高早期诊断准确性。同时，将致力于通过多模态图像融合技术实现更高水平的遮挡图像重建，开发有效的毛发去除预处理技术，增强模型对复杂图像的适应性，推动皮肤癌早期诊断技术的发展。

SASTRA 大学研究人员提出的 MELIIGAN 技术在皮肤癌早期诊断的图像重建领域取得重要进展，虽存在局限性，但为后续研究指明方向。随着技术的不断完善，有望在临床实践中广泛应用，为皮肤癌患者带来福音，也将推动医学影像分析技术向更精准、智能的方向发展。